24시간 확산 MRI와 임상 데이터 융합으로 뇌졸중 예후 예측 혁신

**배경 및 목적** 급성 허혈성 뇌졸중(AIS)은 전 세계적으로 사망 및 장기 장애의 주요 원인이며, 조기 예후 예측은 치료 전략, 재활 계획, 임상 시험 대상자 선정 등에 필수적이다. 기존 예측 모델은 연령, NIHSS, 사전 mRS 등 임상 변수에 의존해 AUC 0.75~0.80 수준의 중간 정확도를 보였으며, 영상 정보를 충분히 활용하지 못했다. 확산 가중 MRI(DWI)와 그 정량적 지도인 ADC는 급성기 뇌 손상을 민감하게 포착하지만, 기저 시점(J0)과 치료 24시간 후(J1) 시점 중 어느 시점이 장기 기능 회복을 더 잘 예측하는지는 명확하지 않았다. 본 연구는 이러한 질문에 답하고, 딥러닝 기반 영상 피처와 구조화된 임상·병변 부피 데이터를 통합한 멀티모달 프레임워크를 제시한다. **데이터 및 전처리** - 대상: 74명 AIS 환자(전후 ADC 스캔 및 3개월 mRS 보유) - 임상 변수: 연령, 성별, 혈관 위험인자, 사전 mRS, NIHSS(발생 시점 및 24시간 시점) 등 - 영상: 1.5 T·3 T DWI에서 재구성된 ADC 맵을 24×256×256 voxel로 트리리니어 보간 후 정규화 - 병변 분할: 480·10⁻⁶ 및 620·10⁻⁶ mm²/s 임계값을 이용한 퍼센타일 기반 임계값 적용, 형태학적 필터링 후 150 voxel 미만 제거, 부피는 로그 변환 **딥 피처 추출** - 사전 학습된 3D ResNet‑50(MedicalNet) 모델을 frozen 상태로 사용 - 각 ADC 볼륨(J0, J1)에 대해 2048‑차원 임베딩을 추출, 글로벌 평균 풀링 후 32~256 차원으로 투영 - 임베딩은 임상 변수와 병변 부피와 결합하여 하나의 고차원 피처 벡터 형성 **차원 축소 및 분류** - PCA를 적용해 최대 12개의 주성분을 선택(전체 분산 95% 이상) – 이는 과적합 방지와 모델 안정성 확보에 핵심 - 선형 SVM(C=0.1)으로 분류, 클래스 불균형을 고려해 가중치 부여, Platt scaling으로 확률 출력 - 평가: 8‑fold stratified group K‑fold 교차검증(환자 단위 그룹 유지), 성능 지표는 AUC, 정확도, F1-score, 평균±표준편차 보고 **주요 결과** 1. **MRI‑only 모델** - J0: AUC 0.540±0.263, 정확도 0.433±0.147, F1 0.396±0.110 - J1: AUC 0.714±0.105, 정확도 0.633±0.066, F1 0.560±0.128 → 24시간 후 ADC가 기저 시점보다 예후 정보를 더 많이 담고 있음을 확인 2. **임상‑only 모델** - AUC 0.882±0.105, 정확도 0.808±0.101, F1 0.780±0.111 3. **멀티모달 모델** - J1 MRI + 전체 임상: AUC 0.894±0.106, 정확도 0.794±0.096, F1 0.731±0.163 - J1 MRI + 전체 임상 + J1 병변 부피: AUC 0.923±0.085, 정확도 0.824±0.083, F1 0.786±0.104 (최고) - 동일 구성의 J0 모델 대비 AUC 차이 0.112, Wilcoxon p=0.0078 (통계적으로 유의) 4. **피처 중요도** - 양의 가중치: NIHSS 운동 하위점수(좌·우 팔), 연령, 일부 MRI 임베딩 차원 - 음의 가중치: NIHSS 언어/실어증 점수, 특정 MRI 임베딩 차원, 병변 부피(큰 부피가 불리함) 5. **해석 가능성** - 선형 SVM과 PCA 덕분에 각 주성분과 가중치를 직접 확인 가능, 이는 임상 적용 시 투명성 제공 - MRI 히트맵은 중증 환자에서 좌반구 전체에 걸친 활성화를 보여, 병변 크기·동질성이 모델에 반영됨을 시사 **논의** - J1 시점의 확산 MRI는 재관류 성공, 2차 손상, 부종 등을 포착해 장기 기능 회복을 더 정확히 예측한다. - 임상 변수와 병변 부피를 결합하면 모델 안정성이 크게 향상되며, 특히 병변 부피는 독립적인 예후 인자로 작용한다. - PCA‑SVM 파이프라인은 데이터 효율성이 높고, 작은 코호트에서도 과적합을 방지한다는 장점이 있다. - 제한점: 소규모 단일기관 데이터, 자동 병변 분할 정확도 한계, 다양한 MRI 스캐너 간의 이미지 차이, 사전 학습된 ResNet을 고정한 채 사용한 점. **향후 연구** - 다기관·다국가 대규모 코호트에서 검증 - 고도화된 자동 세그멘테이션(예: U‑Net 기반) 및 radiomics 피처 도입 - Perfusion MRI, CT Angiography 등 추가 모달리티와의 융합 - 비선형 분류기(Gradient Boosting, 딥 엔드‑투‑엔드 네트워크)와의 성능 비교 **결론** 24시간 후 확산 MRI(J1)는 기저 시점보다 뇌 조직의 동적 변화를 포착해 AIS 환자의 3개월 기능적 회복을 더 정확히 예측한다. 딥 임베딩, 임상 변수, 병변 부피를 PCA로 통합하고 선형 SVM으로 분류한 멀티모달 프레임워크는 AUC 0.923 이상의 높은 성능과 해석 가능성을 동시에 제공한다. 이는 임상 현장에서 개인 맞춤형 예후 예측 도구로 활용될 잠재력을 보여주며, 향후 대규모 검증을 통해 실제 치료 의사결정 지원 시스템으로 전환될 수 있다.